Boletin3

download Boletin3

of 10

  • date post

    28-Nov-2014
  • Category

    Internet

  • view

    77
  • download

    1

Embed Size (px)

description

xcxc

Transcript of Boletin3

  • 1. Neural Network Toolbox Sistemas Conexionistas - Curso 08/09 La Neural Network Toolbox es un paquete de Matlab que contiene una serie de funciones para crear y trabajar con redes de neuronas articiales. Con help nnet se obtiene la lista de todas las funciones de este paquete. 1. Adaline 1.1. Funciones generales mse Calcula el error cuadratico medio y se utiliza para evaluar la precision de una red de neuronas. error = mse(salida_deseada - salida_obtenida) maxlinlr Calcula la velocidad maxima de aprendizaje para una red lineal. Toma como parametro obligatorio los patrones de entrada a la red, los cuales se disponen en una matriz en la que cada columna representa un patron de entrada. P = [e11 e12; e21 e22] lr = maxlinlr(P) lr = maxlinlr(P,bias) learnwh Algoritmo de aprendizaje LMS (Widrow-Ho). En un ciclo de aprendizaje, cal- cula la variacion de los pesos como dw = lr e p y la variacion del bias como db = lr e. Su sintaxis es: dW = learnwh(W,P,[],[],[],T,E,[],[],[],LP,[]); donde
  • 2. W es la matriz de pesos de tamano SxR, cada la representa los pesos de un elemento de procesado P es la matriz de entrada de tamano RxQ, cada columna representa un patron de entrada T es la matriz de salidas deseadas de tamano SxQ, cada columna representa una salida deseada E es la matriz de errores de tamano SxQ, con un error por columna LP es una estructura que contiene los parametros de aprendizaje. En concreto: LP.lr es la velocidad de aprendizaje (learning rate) LP.mc es el momento (momentum constant) LP.dr es la tasa de decaimiento (decay rate) Esta funcion devuelve una matriz de tamano SxR que contiene el incremento de los pesos. 2. Perceptron multicapa 2.1. Creacion El comando newff crea una red de neuronas de tipo feedforward. En la version 6 de la Neural Network Toolbox (laboratorio de practicas), su sintaxis es: net = newff(P, T, [S1 S2...S(N - 1)],{TF1 TF2...TFN},BTF,BLF,PF) P Matriz con los patrones de entrada T Matriz con las salidas deseadas Si Tamano de la capa i (solo capas ocultas) TFi Funcion de transferencia de la capa i, por defecto es tansig para las capas ocultas y purelin para la capa de salida. 2
  • 3. BTF Funcion de entrenamiento, por defecto trainlm. BLF Funcion de aprendizaje de los pesos/bias, por defecto learngdm. PF Funcion de evaluacion, por defecto mse Esta funcion devuelve una red feedforward con N capas. Para versiones anteriores de la Neural Network Toolbox, la sintaxis cambia: net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) PR Matriz con los valores mnimo y maximo de cada una de las componentes de los patrones de entrada Si Tamano de la capa i TFi Funcion de transferencia de la capa i, por defecto es tansig. BTF Funcion de entrenamiento, por defecto trainlm. BLF Funcion de aprendizaje de los pesos/bias, por defecto learngdm. PF Funcion de evaluacion, por defecto mse Esta funcion devuelve una red feedforward con N capas. Funciones de transferencia Un elemento de procesado tiene N entradas. La suma de estas entradas ponderadas por los pesos y el bias constituye la entrada a la funcion de transferencia, la cual determina como seran las salidas del elemento de procesado. Los elementos de procesado pueden utilizar cualquier tipo de funcion de transferencia diferenciable para generar su salida, por ejemplo: 3
  • 4. La funcion de transferencia de una capa se establece al crear la red o bien alterando el valor del parametro NET.layers{i}.transferFcn en una red existente. Es muy importante que la funcion de transferencia se adecue al problema a resolver. 2.2. Entrenamiento Una vez creada la red, el siguiente paso es realizar el entrenamiento con los patrones de entrada y las salidas deseadas. Existen dos tipos de entrenamiento: Estatico En cada ciclo de entrenamiento se recalculan los pesos de la red tras presentar todos los patrones de entrenamiento. Se realiza con la funcion train: [net,TR,Y,E] = train(NET,P,T) Los parametros de entrada son: NET Una red inicializada P Los patrones de entrada T Las salidas deseadas Y los parametros de salida son: 4
  • 5. net Red entrenada TR Error en funcion de la iteracion Y Salida de la red E Errores de la red Adaptativo En cada ciclo de entrenamiento se recalculan los pesos tras presentar cada uno de los patrones de entrenamiento. Se realiza con la funcion adapt, cuya sintaxis es la siguiente: [net,Y,E] = adapt(NET,P,T) Los parametros de entrada son: NET Una red inicializada P Los patrones de entrada T Las salidas deseadas Y los parametros de salida son: net Red entrenada Y Salida de la red E Errores de la red Antes de utilizar este tipo de entrenamiento es necesario especicar el numero de pasadas de entrenamiento adaptativo con NET.adaptParam.passes. Funciones de entrenamiento Existen diversos metodos para realizar el entrenamiento estatico de una red de neuronas. Estos metodos se basan en algoritmos que intentan minimizar el error en base a diversas tecnicas. Cada uno de estos metodos presenta sus ventajas e inconvenientes en cuanto a 5
  • 6. convergencia y coste computacional1 . Algunas funciones de entrenamiento son trainlm, traingd, traingdx, trainbr, etc Al igual que las funciones de transferencia, la funcion de entrenamiento se establece al crear la red o bien alterando el valor del parametro NET.transferFcn 2.3. Utilizacion Tras la fase de entrenamiento, la red esta lista para ser usada, es decir, la red es capaz de producir una salida adecuada a un conjunto de patrones de entrada. La funcion sim es la encargada de pasar un conjunto de patrones de entrada a la red y de obtener su salida: Y = sim(NET,P) Donde NET representa una red entrenada P es el conjunto de patrones de entrada Y es la salida de la red 3. Redes de base radial 3.1. Creacion Las redes de base radial pueden ser creadas con los comandos newrbe o newrb. La funcion newrbe crea una red de base radial con tantas neuronas como patrones de entrada. Su sintaxis es: net = newrbe(P,T,SPREAD) donde 1 El captulo 5 del manual de referencia hace una comparativa entre los distintos algoritmos de entre- namiento. 6
  • 7. P es una matriz con los patrones de entrada T es una matriz con las salidas deseadas SPREAD difusion de las funciones de base radial, por defecto 1 El valor de SPREAD determina el ancho del area del espacio de entrada al que cada neurona responde. Por ejemplo, si SPREAD toma valor 4, cada neurona de la capa de neuronas de base radial respondera con valores de 0.5 o superiores a cada patron de entrada situado a una distancia de 4 del vector de pesos. Este parametro debe ser lo sucientemente grande como para que las neuronas puedan responder fuertemente a regiones solapadas del espacio de entrada, mejorando as la capacidad de generalizacion. No obstante, si este valor es demasiado grande, todas las neuronas de la capa de base radial tomaran como salida valores cercanos a 1 con todos los patrones de entrada, perdiendo as la informacion almacenada en la capa de base radial. La funcion newrb crea una red de base radial anadiendo una neurona en cada iteracion. La red anade una nueva neurona hasta que el error total de la red alcanza un error objetivo o bien se alcanza un numero maximo de neuronas (por defecto, el numero de patrones de entrada). La sintaxis es: net = newrb(P,T,GOAL,SPREAD,MN) donde P es una matriz con los patrones de entrada T es una matriz con las salidas deseadas GOAL error cuadratico medio objetivo, por defecto 0.0 SPREAD difusion de las funciones de base radial, por defecto 1 MN maximo numero de neuronas, por defecto, el mismo numero de patrones de entrada Esta funcion crea un diseno mas eciente de las redes de base radial. 7
  • 8. 3.2. Entrenamiento En este tipo de redes no es necesario realizar explcitamente un entrenamiento. En caso de redes creadas con newrbe, los pesos de la capa de base radial se inicializan con los valores de los patrones y los bias de cada neurona a 0.8326/SPREAD. Los pesos de la capa lineal se obtienen simulando las salidas de la primera capa y resolviendo una expresion lineal. En la creacion de redes con newrb, se realiza el siguiente proceso iterativo hasta que el error alcanza el error objetivo o bien se alcanza el maximo numero de neuronas: 1. La red se simula 2. Se localiza el patron de entrada con mayor error y se anade una neurona en la capa de base radial con los pesos de dicho patron 3. Se recalculan los pesos de la capa lineal para minimizar el error cometido 3.3. Utilizacion La funcion sim, descrita en el apartado anterior se utiliza para aplicar una red de base radial a nuevos patrones de entrada. 4. Mapas autoorganizativos 4.1. Creacion La funcion newsom se utiliza para crear un mapa autoorganizativo. Su sintaxis es: NET = newsom(PR, [D1, D2, ...], TFCN) Los parametros de esta funcion son: PR es una matriz con los valores maximos y mnimos de las entradas Di es la dimension de la i-esima capa TFCN representa la topologa (gridtop,hextop o randtop) 8